十大推理模型挑战2025年高考数学题：DeepSeek-R1、腾讯混元T1并列第一，马斯克的Grok 3遭遇“滑铁卢”

2025年高考大幕(dàmù)虽已落下，但关于数学科目难度的讨论热度(rèdù)不减。

《每日经济新闻》记者（以下(yǐxià)简称“每经记者”）选取今年的全国新课标数学I卷作为考题，对(duì)DeepSeek-R1、腾讯(téngxùn)混元(hùnyuán)T1、OpenAI的o3、谷歌(gǔgē)的Gemini 2.5 Pro和xAI的Grok3等十款AI推理大模型进行了测评，以检验当今主流AI推理大模型的数学能力。

测评结果显示，国产大模型(móxíng)DeepSeek-R1与腾讯(téngxùn)混元T1以(yǐ)零错误并列榜首。而被马斯克称为“地表最强AI”的Grok 3却遭遇“滑铁卢”，排名倒数第三。

本次测评以2025年全国新课标(xīnkèbiāo)数学I卷（总分150分）作为(wèi)考题。但每经记者在测试中发现(fāxiàn)，部分AI推理模型以“重要考试期间”为由拒绝对包含试题的图片进行识别和解答。

为了让所有参评大模型站在同一起跑线，测评移除了试卷中所有需要分析(fēnxī)图形(túxíng)和图表的(de)题目，形成一份有效总分为117分的标准化试卷。

同时，对于谷歌Gemini 2.5 Pro等没有这一限制的推理(tuīlǐ)模型，仍将以150分的完整(wánzhěng)试卷进行测试，旨在测试推理大模型所能达到(dádào)的最高水平。

扣分标准上，每经记者在选择题和填空题上都遵循了高考评卷的扣分标准，但对(duì)于解答题，本次测评只根据(gēnjù)结果计算得分(défēn)，不对过程打分。

需要说明的(de)是，在此次测试中，每款推理大模型只进行单次测试，得分(défēn)也仅反映单次测试的结果。

DeepSeek-R1和腾讯混元(hùnyuán)T1并列第一

在排除了图形/图表题的(de)117分试卷测试中，DeepSeek-R1与腾讯混元T1展现出了绝对的优势，以零错误的完美表现，取得了117分的满分成绩，并列第一(bìnglièdìyī)。这表明，在代数计算和函数题等(děng)题型解答上，其能力已经达到了极高的水准(shuǐzhǔn)和稳定性。

讯飞星火(xīnghuǒ)X1以112分的成绩紧随其后。相较于DeepSeek-R1与腾讯混元T1这两款(liǎngkuǎn)大(dà)模型，讯飞星火X1多错了一道填空题。这道题的正确答案是“±2”，而讯飞星火X1给出的答案是“2”。实际上，该模型的推理过程没有问题，认为“2”和“-2”都满足题目条件(tiáojiàn)，但陷入自我怀疑，最终只(zhǐ)给出了答案“2”。

讯飞星火X1的推理(tuīlǐ)过程

其他得分超过100分的还有Gemini 2.5 Pro（109分）、o3（107分）、阿里千问Qwen3（106分）和(hé)豆包深度思考模式（104分）。在(zài)分数占比(bǐ)最高的解答题上，Gemini 2.5 Pro和o3均有失误，其中一道大题仅有部分(bùfèn)正确，而阿里千问Qwen3和豆包深度思考模式均拿下满分(mǎnfēn)。

Grok 3惨遭“滑铁卢(huátiělú)”，排名倒数第三

在本次参评的(de)所有AI推理大模型中，如果说有谁的结果最令人意外，那无疑是马斯克(mǎsīkè)旗下xAI公司开发的、被(bèi)马斯克称为“地表最强AI”的Grok 3。

Grok在发布之初就被市场寄予厚望，被认为(rènwéi)是最有潜力挑战GPT和Gemini霸主地位的(de)“黑马(hēimǎ)”。马斯克多次暗示，Grok的目标是成为最强大的AI。

然而，Grok 3此次的表现可以说(shuō)是遭遇了“滑铁卢”。在117分的试题测试中(zhōng)，Grok 3仅获得91分，在10个参与测试的推理(tuīlǐ)大模型中排名倒数第三。

深入分析其答卷，每经(měijīng)记者发现，Grok 3失分的一个独特且关键的原因：它似乎无法正确理解多选题(duōxuǎntí)这类题型。

测试(cèshì)过程显示，即使(jíshǐ)在记者提示题目为多选题的情况下，Grok 3也(yě)“顽固”地只给出一个它认为的最优解，导致只能得到部分分数。

排名倒数第二的是智谱清言推理模式，在(zài)117分试卷(shìjuàn)的测试中得分为78分。

实际上，该模型在多道(dào)题目的推理过程中都找到了正确答案，但是往往会在最后一步(yībù)出现自我怀疑导致逻辑(luójí)崩溃，陷入循环，最终功亏一篑，白白丢了很多分。

智谱清言推理模式解答(jiědá)过程截图

排在最末尾的(de)是Kimi k1.5，该模型在最后(zuìhòu)两道压轴大题上栽了大跟头，损失了大量的分数。

综合所有测试情况来看，在处理有固定(gùdìng)步骤和严密逻辑的数学问题上，AI推理大模型已经(yǐjīng)具备很强的能力。但在涉及抽象(chōuxiàng)和创新思维的题目上，目前的大模型还存在一定的局限性。